[发明专利]基于深度网络与AVO分析相结合的叠前含气性预测方法

说明书

本发明涉及石油地球物理勘探领域，具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法，包括步骤S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；S2，获取待预测叠前数据；S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练；训练DNN神经网络的步骤包括：S31，获取训练样本集，每条训练样本包含振幅随偏移距的变化特征和相应的标签，所述标签为含气或不含气；S32，将所述训练样本集输入所述DNN神经网络进行训练，当预测准确率达到预设阈值时，所述DNN神经网络训练完成。通过数据作为结果的驱动，减少了误差，提高预测准确度。

技术领域

本发明涉及石油地球物理勘探领域，具体涉及一种基于深度网络与AVO分析相结合的叠前含气性预测方法。

背景技术

随着勘探深度的加深和难度的加大，油气勘探目标发生了变化，从浅层转移到深层，从常规油气田到非常规油气田。直接从地震数据得到含气性是油气勘探领域一直研究的重点。以叠前和叠后数据为基础发展了许许多多的方法，因其叠前数据相对于叠后数据具有更多的信息如偏移距、方位角等，所以油气检测方法越来越趋向于叠前数据。在叠前数据的基础上发展了许许多多的油气检测方法，其中AVO分析从20世纪80年代提出以来一直占据着举足轻重的作用。Muskat和Meres(1940)指出当深度一定的时候，入射角和炮检距成正比关系为AVO含气性检测奠定了良好的理论基础，Shuey(1985)引入角度变量，给定了随角度变化的反射系数方程式，这个方程式明确了AVO异常与入射角之间的关系，将AVO特征识别从定性的阶段引入定量的阶段，给AVO含气性识别带来了一场革命性的改变，这也是目前运用最为广泛的近似方法，Batzle et al.(2006)在实验室模拟获得了速度与频率的定量关系，随后Wilson et al.(2009)推导建立了频散AVO流体识别算子，推进了AVO含气性预测的进程。但是不论从分频还是反演的角度出发都存在一定的累积误差，如分频方法对结果的影响等，预测准确度较低，直接建立地震数据与含气性之间的关系一直是研究的难点以及重点。

人工智能为许许多多的油气勘探问题提供了新的思路和方法，深度学习通过逐层组合低层特征形成更加抽象的高层属性类别或特征表征，因此能深度挖据数据的本质信息，在识别、分类等问题中显示出了其独有的优势和特点。目前深度学习在地震勘探中的主要应用有断层识别、初至拾取、噪声压制、速度模型构建等，均有着良好的效果。在含气性预测中，宋建国等(2016)等运用随机森林网络回归法对地震储层进行了预测，效果较好。Holdaway et al.(2016)通过将地震图像进行分块处理，结合监督与无监督学习的各自特点成功的运用到三维地震数据的碳氢化物识别中。总体来讲，深度学习目前在油气地震勘探领域的应用主要还是替换已有算法(如用卷积神经网络替换相干分析等)、替换人力，解决表观可以判别正误的问题(如对断层的识别的是否正确，直观就可以判断)，而在解决表观无法判识正误的问题方面，如从地震记录数据区分含气层与非气层响应的问题，运用较少。

发明内容

本发明的目的在于克服现有技术中AVO含气性预测不论从分频还是反演的角度出发都存在一定的累积误差、预测准确度较低的问题，通过引入深度学习DNN算法搭建振幅随偏移距的特征与含气性之间的非线性映射关系，提供一种基于深度网络与AVO分析相结合的叠前含气性预测方法。

为了实现上述发明目的，本发明提供了以下技术方案：

一种基于深度网络与AVO分析相结合的叠前含气性预测方法，包括以下步骤：

S1，利用测井、地质和合成地震记录资料准确标定待预测目标层；

S2，获取待预测叠前数据；

S3，将所述待预测叠前数据的振幅随偏移距的变化特征输入DNN神经网络，所述DNN神经网络输出预测结果为含气或不含气；所述DNN神经网络预先经过训练。

进一步的，步骤S3中训练所述DNN神经网络的步骤包括：